- 大型语言模型具有内在的自我纠正能力
大型语言模型具有在各种自然语言处理任务中引人注目的能力，但它们存在产生错误信息的问题，自校正被视为提高模型性能的一种解决方案，其中内在自校正被认为是一种有前途的方向。本文通过理论分析和实证实验，对大型语言模型的内在自校正能力提出了新的观点， - MAGIC：生成上下文文本转结构化查询语言的自我修正指南
MAGIC 是一种新的多代理方法，自动创建自纠正指南，通过在训练集上对基于 LLM 的方法的失败进行合作，迭代生成和改进适合 LLM 错误的自纠正指南，提高了纠正的可解释性，并提供了分析自纠正中 LLM 失败和成功原因的见解。
- 关于 LLMs 的内在自我修正能力：不确定性和潜在概念
通过使用适当的指示，大型语言模型可以利用内在的自我纠正能力，从而提高其回答的准确性和性能，这在大规模自然语言生成中具有潜在的扩展性。同时，通过分析模型不确定性和激活的潜在概念，可以更好地理解和指导自我纠正行为。此原理还可以推广到视觉语言模型 - LLM 能够自我纠错的实际时机研究：对 LLM 自我纠错的关键调查
通过对大型语言模型（LLMs）进行自我纠正来提高其回答效果是一种改进方法。本文对自我纠正的研究条件进行了关键性调查，发现以往研究往往缺乏详细定义的研究问题，使用非实用的框架和过度评估自我纠正。通过对新分类的研究问题进行关键性调查，我们发现： - 自校正的理论认识与上下文对齐
基于一种类似于对齐任务的简化设置，我们从上下文学习的角度对自我纠正进行理论分析，显示出大语言模型通过给予相对准确的自我检查作为奖励，能够以上下文的方式改进响应。我们的理论构建突破了之前关于过于简化的线性变换器的理论，阐述了现实变换器的几个关 - IJCAILLMs 通过教学思路链找到数学推理错误
通过引入一种独特的提示策略，名为教育思维链（PedCoT），该研究论文提出了一种有效识别推理错误的方法，并在数学问题中取得了显著优于基线模型的结果。
- 小型语言模型需要强大的验证器来自我修正推理
在小型语言模型上进行自我纠正训练以提高推理能力，通过使用正确解决方案引导模型对不正确的回答进行批判，并使用生成的批评经过筛选后进行自我纠正理由的监督微调，实验证明在数学和常识推理方面的五个数据集上两种模型的自我纠正能力得到了提升，与 GPT - 学会检查：释放大型语言模型中的自我纠正潜能
通过精心设计的训练数据、详细分析数学推理中的错误类型并构建了一个自检修正数据集，本研究旨在增强大型语言模型的自检能力，从而提高自我修正的准确性。在与其他检查 - 修正数据相关的情境中，使用 “Step CoT Check” 提示进行微调的模 - 信心的重要性：重审大型语言模型的内在自我纠正能力
研究综合调查了大型语言模型（LLM）的内在自我修正能力，并提出了一种基于 “confidence” 的 “If-or-Else” 提示框架，以帮助提升自我修正能力的准确性。
- 用于生成模型训练的自校正自消耗循环
通过引入理想化的校正函数，本文旨在稳定自消耗生成模型的训练，理论结果证明了根据真实数据分布将数据点映射为更可能的方法可以使自消耗循环的稳定性呈指数级增加，我们还提出了自我校正函数，它依赖于专家知识并旨在在规模上自动近似理想化的校正器，在具有 - LLMs 不能发现推理错误，但可以修正它们！
本文将自我纠错过程分解为失误发现和输出校正两个核心组成部分，并对几种最先进的 LLM 进行了基准测试，结果显示 LLM 在发现逻辑错误方面普遍存在困难。针对输出校正，我们提出了一种回溯法，并证明当提供失误位置信息时，该方法能够明显改善性能。 - 关于自我纠正和语言模型信任的交叉问题
通过探索大型语言模型的自我纠正能力，研究发现自我纠正能够提升大型语言模型的可信度和真实性，但这种改进程度会根据可信度的具体方面和任务的性质而有所不同，并发现大型语言模型在自我纠正过程中存在自我怀疑的实例，带来了一系列需要解决的新挑战。
- 大型语言模型尚未能够自校正推理
本文探讨了自我纠错在大型语言模型中的作用和效果，发现大型语言模型在没有外部反馈的情况下难以自我纠正其回应，在某些情况下，性能甚至可能在自我纠正后下降。基于这些发现，提出了未来研究和实际应用的建议。
- 自动修正大规模语言模型：多样化自我纠正策略概述
大语言模型自我修正的技术，包括训练和生成阶段的自动反馈，被广泛应用于解决大语言模型在自然语言处理任务中的错误和缺陷问题。
- 通过贝叶斯主动学习实现自校正贝叶斯优化
该研究旨在通过优化高斯过程的超参数来改善贝叶斯优化和主动学习方法，提出了两种以此为目标的收集函数，分别是 “SAL” 和 “SCoreBO”；其中 “SCoreBO” 通过同时执行超参数学习和贝叶斯优化来学习模型超参数，同时在许多传统基准测 - 通过弥合伪标签中的训练测试差距来提高弱监督的时间动作定位
该研究提出了一种有效的管道来学习更好的伪标签，其中含有高斯加权融合模块，伪标签作为一个在约束条件下的优化问题，以及 Delta 伪标签的概念，实现了超出现有方法的优越表现。
- 通过学习自我纠正生成序列
本文介绍了一种称为 Self-Correction 的方法，该方法可以用于解决序列生成应用中存在的语义约束问题，该方法通过将完美的基本生成器与学习逐步纠正其输出的单独的纠正器分离来实现。我们证明，即使纠正器比基本生成器小得多，在数学程序合成 - ETNet：适用于任意风格转移的误差转移网络
本研究提出一种自我修正的样式转换模型，通过迭代学习，将错误特征转移并细化，实现对语义结构和样式纹理的更好控制，实验结果证明本方法在样式转换中具有更好的效果。
- ICCVPU-GAN: 点云上采样对抗网络
本文提出了一种基于生成对抗网络（GAN）模型的新的点云上采样网络 PU-GAN，能够从潜在空间中学习到丰富的点分布并通过误差反馈和自校正实现对物体表面上的点的上采样，并通过鉴别器学习更多潜在模式以增强输出点的分布均匀性。定量和定性评估表明，